MỘT PHƯƠNG PHÁP PHÂN CỤM MỜ VIỄN CẢNH MỚI TRONG PHÂN ĐOẠN ẢNH VỆ TINH VÙNG NƯỚC

Phạm Huy Thông; Phùng Thế Huân; Hoàng Thị Cành; Trần Thị Ngân

doi:10.34238/tnu-jst.6342

MỘT PHƯƠNG PHÁP PHÂN CỤM MỜ VIỄN CẢNH MỚI TRONG PHÂN ĐOẠN ẢNH VỆ TINH VÙNG NƯỚC

Thông tin bài báo

Ngày nhận bài: 09/08/22 Ngày hoàn thiện: 07/10/22 Ngày đăng: 07/10/22

Các tác giả

1. Phạm Huy Thông, 1) Học viện Khoa học và Công nghệ, Viện Hàn lâm Khoa học và Công nghệ Việt Nam 2) Viện Công nghệ Thông tin, Viện Hàn lâm Khoa học và Công nghệ Việt Nam 3) Viện Công nghệ Thông tin - Đại học Quốc gia Hà Nội
2. Phùng Thế Huân , Trường Đại học Công nghệ Thông tin và Truyền thông - ĐH Thái Nguyên
3. Hoàng Thị Cành, Trường Đại học Công nghệ Thông tin và Truyền thông - ĐH Thái Nguyên
4. Trần Thị Ngân, Trường Đại học Thuỷ lợi

Tóm tắt

Gần đây, các hướng nghiên cứu trên tập mờ nâng cao đang nhận được nhiều sự quan tâm từ nhiều nhà nghiên cứu, điển hình là các nghiên cứu về tập mờ viễn cảnh. Tập mờ viễn cảnh đã được đề xuất để giải quyết các vấn đề về dữ liệu nhiễu nhằm nâng cao hiệu suất phân cụm. Với việc có 4 thuộc tính: Độ khẳng định, độ phủ định, độ do dự và độ từ chối giúp cho mô hình tối ưu sử dụng tập mờ viễn cảnh có nhiều lựa chọn hơn, có thể đem lại kết quả chính xác hơn.Trong bài báo này, chúng tôi đề xuất một phương pháp phân cụm bán giám sát mờ viễn cảnh mới có tên gọi PFSFCM. Phương pháp đề xuất được so sánh thực nghiệm với phương pháp phân cụm mờ viễn cảnh (FCPFS) và phương pháp phân cụm bán giám sát mờ an toàn có trọng số tin cậy (CS3FCM) về hiệu suất phân cụm trên cả bộ dữ liệu UCI và dữ liệu ảnh vệ tinh vùng nước.Các kết quả thực nghiệm chỉ ra rằng, phương pháp đề xuất của chúng tôi có hiệu suất tốt so với các phương pháp liên quan.

Từ khóa

Phân cụm; Phân cụm mờ; Tập mờ viễn cảnh; Ảnh vệ tinh; Mặt nước

Toàn văn:

PDF

Tài liệu tham khảo

[1] S. Al-Amri and N. Kalyankar, “Image segmentation by using threshold techniques,” arXiv preprint arXiv, vol. 2, pp. 4020-4032, 2010.

[2] J. C. Bezdek, Pattern recognition with fuzzy objective function algorithms, Springer Science & Business Media, 2013, pp. 155-201.

[3] T. Kanungo, D. M. Mount, N. S. Netanyahu, C. D. Piatko, R. Silverman, and A. Y. Wu, “An Efficient k-Means Clustering Algorithm: Analysis and Implementation,” IEEE transaction on pattern analysis and machine intelligence, vol. 24, no. 7, pp. 881- 892, 2010.

[4] J. C. Bezdek, R. Ehrlich, and W. Full, “FCM: The fuzzy c-means clustering algorithm,” Computers & geosciences, vol. 10, no. 2-3, pp. 191-203, 1984.

[5] S. Yin, C. Kong, Y. Wang, and W. Wang, “Effective infrared ship image segmentation using fuzzy correlation and graph cut optimization,” Journal of Electronic Imaging, vol. 27, no. 4, 2018, Art. no. 043057.

[6] Z. Shi and L. He, “Application of neural networks in medical image processing,” in Proceedings of the second international symposium on networking and network security, 2010, pp. 2-4.

[7] D. Štepec, T. Martinčič, and D. Skočaj, “Automated System for Ship Detection from Medium Resolution Satellite Optical Imagery,” in OCEANS 2019 MTS/IEEE SEATTLE, 2019, pp. 1-10.

[8] B. C. Cuong, “Picture fuzzy sets,” Journal of Computer Science and Cybernetics, vol. 30, pp. 409-420, 2014.

[9] L. A. Zadeh, “Fuzzy sets,” in Fuzzy sets, fuzzy logic, and fuzzy systems, selected papers by L. A. Zadeh, World Scientific, 1996, pp. 394-432.

[10] P. H. Thong and L. H. Son, “Picture fuzzy clustering: a new computational intelligence method,” Soft Comput., vol. 20, no. 9, pp. 3549-3562, 2016.

[11] D. Dua and C. Graff, “UCI Machine Learning Repository,” 2019. [Online]. Available: http://archive.ics.uci.edu/ml. [Accessed Sept. 28, 2022].

[12] H. Gan, Y. Fan, Z. Luo, R. Huang, and Z. Yang, “Confidence-weighted safe semi-supervised clustering,” Engineering Applications of Artificial Intelligence, vol. 81, pp. 107-116, 2019.

[13] D. L. Davies and D. W. Bouldin, “A cluster separation measure,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 2, pp. 224-227, 1979.

[14] S. C. J. Palmer, T. Kutser, and P. D. Hunter, “Remote sensing of inland waters: Challenges, progress and future directions,” Remote Sens. Environ., vol. 157, pp. 1–8, 2015.

[15] M. Danesh-Yazdi, M. Bayati, M. Tajrishya, and B. Chehrenegar, “Revisiting bathymetry dynamics in Lake Urmia using extensive field data and high-resolution satellite imagery,” Journal of Hydrology, vol. 603, 2021, Art. no. 126987.

[16] B. Dang and Y. S. Li, “MSResNet: Multiscale Residual Network via Self-Supervised Learning for Water-Body Detection in Remote Sensing Imagery,” Remote Sens, vol. 13, 2021, Art. no. 3122.

[17] Z. G. Cao, R. H. Ma, H. T. Duan, N. Pahlevan, J. Melack, M. Shen, and K. Xue, “A machine learning approach to estimate chlorophyll-a from Landsat-8 measurements in inland lakes,” Remote Sens. Environ., vol. 248, 2020, Art. no. 111974.

[18] Francisco Escobar, “Seattle Surface Water Dataset,” 2020. [Online]. Available: https://www. kaggle.com/datasets/franciscoescobar/satellite-images-of-water-bodies. [Accessed Sept. 28, 2022].

DOI: https://doi.org/10.34238/tnu-jst.6342

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ